1.一种基于无监督分割的时变体数据全局特征跟踪方法,其特征在于:所述方法构造体数据分割网络,以所述网络对输入的体数据进行分割并实现全局追踪;
所述全局追踪包括以下步骤:
步骤2.1:构造用于记录跟踪的图,包括以下步骤:步骤2.1.1:构造一有向无环图DAG记录跟踪信息,DAG的节点为分割后的域,每个节点保存其所在时间步的标签及对应域的直方图信息;
步骤2.1.2:对于每个在时间步t的特征域 和在时间步t+1的特征域 ,计算质心和质心 之间的距离 ,,
分割后的时变体数据中,任意两个区域 之间的卡方直方图距离 为,;
其中, 和 分别是域 、 的直方图的第i个bin值,以 作为域 和域 对应节点的边的权值,
,
其中, [0,1];
步骤2.1.3:当两个域之间质心距离 < 或卡方距离 < 时,在它们之间建立一条边,, ;
步骤2.2:在图中查找特征的跟踪路径,包括以下步骤:步骤2.2.1:选定DAG中目标域所在的节点作为目标节点,并设置分割后的体数据中的标签与DAG中节点的索引值相同,目标节点对应的域叫做目标特征;
步骤2.2.2:以迪杰斯特拉算法计算所有时间步的节点到目标节点的最短路径,并将最短路径信息保存到新的有向无环图SPG中;
步骤2.2.3:从目标节点当前所在时间步分别向前、向后跟踪特征,并记录向前、向后的跟踪路径P+和P‑;依次遍历下一个节点直到找到终节点或开始节点;当当前节点在当前时间步的所有节点中到目标节点的距离最小且没有出边时,则认为当前节点是终节点或开始节点;
步骤2.2.4:找到终节点在SPG当中到目标节点的路径作为向前的路径,找到开始节点在SPG当中到目标节点的路径作为向后的路径,将路径 和 合并,得到目标域的完整追踪路径 ;
步骤2.3:在时间和空间约束下实现特征跟踪,包括以下步骤:步骤2.3.1:得到同一时间步所有与目标节点对应的目标特征相似的特征的所有路径;
步骤2.3.2:以卡方直方图距离筛选与在时间步ti的目标特征相似的候选特征,n为候选特征的数量;当目标特征和候选特征 的卡方直方图距离时,的值与步骤2.1.3中的 相同,以 为候选特征;
步骤2.3.3:计算每个候选匹配区域 的轨迹P',并使用最长公共子序列LCSS将其与目标特征的轨迹 进行比较;假设输入的子路径A= 、B= ,则LCSS长度为,
,
这里的 与空间约束里的 值相同;
最长公共子序列的相似度公式为:
,
对步骤2.3.2得到的候选特征进行进一步的筛选,也就是在时间上对候选节点的候选路径进行了约束。
2.根据权利要求1所述的一种基于无监督分割的时变体数据全局特征跟踪方法,其特征在于:对输入的体数据的预处理包括以下步骤:步骤1.1:获取原始时变体数据 ,增强对比度,并归一化处理,N为体数据数量,n为1至N的正整数;
步骤1.2:将处理后的原始时变体数据根据SLIC算法划分成超体素 ,作为待输入分割网络的体数据,K是待分割超体素的数量,k为1至K的正整数。
3.根据权利要求2所述的一种基于无监督分割的时变体数据全局特征跟踪方法,其特征在于:构造的所述体数据分割网络包括特征提取模块;从特征提取模块中计算一个p维的映射 ,构造的特征提取模块包括顺次设置的1个3D卷积滤波器、1个批处理归一化函数、一个h‑swish激活函数、M个瓶颈组件;所述瓶颈组件包括1个1x1x1展开卷积、1个
3x3x3膨胀卷积和1个1x1x1投影层,瓶颈组件的输入和输出通过残差模块连接;
所述特征提取模块后顺次设置1个3D卷积滤波器、1个批处理归一化函数和1个线性分类器;所述线性分类器满足 且 ,其中q为聚类的个数,c是卷积通道数,p为特征维数,V为体数据, 和 为分类器的参数;
将响应映射 归一化为 ,其中, , ,
的均值和单位方差为零,通过选择在 中具有最大值的维度得到聚类标签 ;改进聚类标签,令 是 中属于第 个簇的体素数,将集群标签替换为 ,对于所有 来说, ;
以softmax损失函数计算响应和改进的聚类标签之间的损失,以反向传播算法更新卷积滤波器的参数 以及分类器的参数 ,M为3D卷积滤波器的层数;
以3d连通分量算法将在空间上没有连通的两个聚类分配不同的索引值,索引值相同的体素属于同一个特征,将体数据分割成了包含不同索引值的域,得到对应背景或特征的域。
4.根据权利要求3所述的一种基于无监督分割的时变体数据全局特征跟踪方法,其特征在于: 中的第i个簇为,,
其中, 和 分别表示 的第i和第j个元素。
5.根据权利要求1所述的一种基于无监督分割的时变体数据全局特征跟踪方法,其特征在于:对分割后的体数据进行可视化处理;
设置传递函数的不透明度,
,
其中, 表示前景特征的每个体素,normInten( )和 分别表示其归一化强度和梯度,log()表示对数函数,γ表示控制边界不透明度的参数。